Lidiar con la incertidumbre
Predecir cualquier suceso futuro es suficientemente difícil, pero predecir un “Cisne Negro” lo es aún más. Nassim Nicholas Taleb puso el término “Cisne Negro” en circulación como metáfora a estar cegado por experiencias pasadas cuando se afrontan fenómenos sorpresivos. Escribió sobre europeos que se sorprendieron de ver cisnes negros en Australia, porque creían que los cisnes blancos de Europa eran los únicos existentes. Los Cisnes Negros simbolizan anomalías que aparecen abruptamente y no encajan en nuestra visión del mundo. Nadie puede predecir todos los Cisnes Negros, pero las “investigaciones fundamentales” pueden ayudarlo a predecir algunos, reconocerlos antes que otras personas y responder a ellos con mayor rapidez. Aunque los Cisnes Negros suceden en todos los campos, los mercados financieros son especialmente vulnerables, ya que combinan el mundo físico, las interacciones sociales y patrones organizacionales complejos. Los sucesos naturales repentinos, como terremotos y avalanchas, son un recordatorio de los volátiles retos de las predicciones.
“La práctica de investigación fundamental puede ayudar a quienes toman decisiones a adaptarse a un mundo de ‘Cisnes Negros’, sorpresas aparentemente improbables pero de graves consecuencias que ponen de cabeza nuestras conocidas formas de pensar”.
“La conducta colectiva”, en la que la gente sigue las acciones de los demás, rige a los mercados creando tendencias, incrementos y burbujas. La conducta colectiva a menudo es racional, así que no se aleje de la visión general a menos que tenga un motivo. Pero, a veces, las emociones guían a la conducta colectiva, y es menos probable que la gente revise su razonamiento. Aquellos que entran en los mercados emotivamente carecen de los conocimientos profesionales de los inversionistas y es más probable que se muevan en manada. Para añadir complejidad, las acciones de cada persona afectan las de los demás. Eso ocurrió en la caída del mercado de valores en 1987, cuando los inversionistas que usaban “programas de seguros de carteras” no tomaron en cuenta cómo la decisión de venta de una persona se podría combinar con las decisiones de otras, lo que llevó a una gran caída en los precios.
“El ‘Cisne Negro’ se refiere a un suceso altamente improbable que aparentemente no podría haberse anticipado al extrapolar datos pasados”.
Para predecir el futuro, debe expresar una hipótesis sobre lo que pudiera ocurrir y construir un modelo – consciente o “intuitivo” – para probar esa proyección. En las predicciones financieras, ya que trabaja en el mundo real en vez de un laboratorio, “es fácil tener descuidos” y difícil obtener información confiable o llevar a cabo pruebas controladas. Quienes hacen las predicciones a menudo fracasan al calibrar sus modelos con el mercado o al identificar el llamado “catalizador” que probará su hipótesis. Las herramientas conceptuales que usan los analistas de mercados para pensar en las probabilidades incluyen el árbol de probabilidad y el diagrama de influencia, que enlaza los factores que podrían afectar una situación. Al añadir información, los diagramas se vuelven más detallados y requieren revisiones. Los árboles de probabilidad muestran futuros probables y correlacionan varios asuntos. Cada rama muestra cálculos de probabilidad de una consecuencia distinta. Pueden brotar nuevas ramas, y mostrar otras opciones en escenarios específicos. Trazar todos los futuros o resultados de inversiones probables lo capacitará para visualizar consecuencias múltiples y atender posibilidades desatendidas sin estar hipnotizado por el presente. Crear árboles puede ayudarlo a identificar “consecuencias asimétricas”, en las que dominen los futuros positivos o negativos. Darle cuerpo a su árbol de inversión puede implicar enumerar una gama de factores de riesgo y tasas de crecimiento. Estas herramientas, modificadas con más información, ayudaron a los analistas en Morgan Stanley a ver en 2001 que Providian, “una compañía de alto vuelo de tarjetas de crédito”, era una inversión más arriesgada de lo que indicaba el mercado.
“Quienes toman decisiones en el mundo real a veces pasan por alto dos pasos críticos: calibrar modelos con el mercado y asegurarse de que se prueben hipótesis con información por venir, lo que los operadores llaman ‘catalizadores’”.
Al hacer predicciones, el exceso y la falta de confianza trabajan en contra suya. El exceso de confianza es tentador por la manera en que la mente maneja la información. Algunas pruebas de laboratorio muestran que la gente a menudo califica su propia base de razonamiento y conocimiento mejor de lo que es. Un modelo puede fácilmente llevarlo a una certeza desmedida, porque da más peso a una sola variable. La experiencia enseña a la mayoría de los inversionistas profesionales a evitar el exceso de seguridad en sí mismos, ya que los operadores arrogantes pierden dinero y se van el mercado. A veces, cuando se siente seguro, en verdad tiene razón. Realmente sabe lo que está pasando. Pero otras veces puede sentirse con la misma seguridad y estar completamente equivocado. La gente tiende a confiar demasiado en la memoria y a darle demasiado peso a los datos que ha recopilado mediante experiencia directa.
“La volatilidad extrema puede surgir de la inherente complejidad del mundo fundamental”.
Reconocer intuitivamente un patrón en sus datos puede producir un “sentimiento de confianza”, justificado o no. Los primeros en responder, como los bomberos, no tienen tiempo para investigar, así que deben poder confiar en sus destellos de intuición. Pero aquellos con tiempo para reflexionar, como los inversionistas, pueden ir más allá de la intuición y obtener datos que justifiquen la confianza. Primero, examine sus hipótesis: ¿Se enfocan en los asuntos correctos? Identifique un catalizador que lleve al cambio y tome en cuenta el mercado más grande. Recopile información sobre las inversiones de sus competidores. Examine las probabilidades para cada escenario posible, basando sus cálculos en “conocimiento experto”. Pruebe la validez de su modelo. Asegúrese de tomar en cuenta la forma en la que los diversos factores influirán uno en otro. Preste atención a su intuición, pero no a su ego.
La información y sus retos
La sobrecarga de información, que sucede porque existe más información de lo que cualquier persona o grupo pueda conocer, a menudo toma a las personas por sorpresa, particularmente en condiciones cambiantes. La computación brinda ayuda, pero requiere dinero, tiempo y energía, y produce aún más información, añadiendo a la sobrecarga. Algunos problemas no tienen solución, y cuando las computadoras intentan resolverlos a como dé lugar, siguen procesando infinitamente, y causan que un sistema se congele.
“Una razón por la que nos sorprenden episodios de suma volatilidad es que el mundo contiene más información de lo que cualquier persona, equipo u organización pueda procesar”.
Por ello, como inversionista, debe hacer un cambio fundamental en la forma en la que se ocupa de la información. En vez de esperar a que le llegue, desarrolle una “estrategia activa” en la que se enfoque en “asuntos críticos”, a la vez que, por definición, preste menos atención a temas tangenciales. Los asuntos críticos son variables que tienen un “impacto significativo” en los temas que usted investiga y consecuencias “sumamente inciertas”, que lo fuerzan a buscar muchos futuros posibles. Por lo general la gente sabe identificar estos asuntos, pero se pierde cuando la información la abruma. En campos emergentes, donde nada está bien definido, identificar los asuntos esenciales es un arte intuitivo. Al investigar sobre sus inquietudes críticas de inversión, evite los riesgos comunes en las estrategias de información de mucha gente. Estos errores incluyen tratar de clasificar todos los datos disponibles, no comunicarse con los expertos clave de su organización, perder ímpetu debido a la “inercia burocrática”, y confiar en la “extracción de datos” y en información potencialmente tendenciosa (como informes de los medios) debido a su bajo costo.
Disonancia cognitiva y otras anomalías
Una anomalía es la disonancia cognitiva, el resultado de recibir datos que chocan con sus conclusiones existentes. Para resolver este conflicto interno, la gente tiende a pasar por alto los hechos que están en descuerdo con su conjunto de opiniones. Este error lleva inevitablemente a tomar malas decisiones. La disonancia cognitiva es más común cuando su “autoimagen se ve amenazada” o se ve presionado a elegir entre opciones limitadas. Esta distorsión puede hacerlo aferrarse tercamente a un único punto de vista, o a ser constantemente incongruente, por temor a hacer la elección incorrecta. La disonancia cognitiva también puede causar “ceguera al cambio”: uno no se da cuenta de que las circunstancias están cambiando, debido a la lentitud de ese cambio. Para evitar la ceguera al cambio, fije una cultura corporativa en la que la gente acepte matices de significado (en vez de insistir en respuestas blanco o negro), y pueda explorar nuevos roles. Identifique los asuntos críticos que están en la jugada para poder explorarlos al tener nueva información, con una enorme “capacidad diagnóstica” como herramienta para condensar la “gama de posibles escenarios”.
“La intuición funciona al hacer corresponder patrones en el entorno actual con patrones en nuestra memoria”.
Otro reto relacionado con datos es la “asimetría de información”: significa que un lado del escenario sabe más que el otro. Esto sucede en las negociaciones, en las que cada lado a menudo controla el flujo de información para tener una posición ventajosa. Las compañías crean asimetría deliberadamente al hacer una “comunicación selectiva”. Los ejecutivos con frecuencia controlan el flujo de información de su empresa para que la gente vea a la compañía desde el mejor ángulo. Capital One no hizo público el tamaño real de su cartera de alto riesgo ni su tasa de pérdidas. Para cuando los reguladores finalmente forzaron a la empresa a comprometerse a limitar su expansión hasta no resolver el problema, las acciones de Capital One ya habían perdido la mitad de su valor. Ya que no puede usted depender de tener información simétrica, tal vez tenga que “nivelar el campo de juego” haciendo su propia investigación. Los analistas que estudian la decreciente relación de Sallie Mae con J.P. Morgan tuvieron que hacer sus propios estudios de campo para evaluar el impacto que este cambio tendría en los préstamos estudiantiles. Si está investigando una inversión, recopile información de compañías similares a la de las acciones que está considerando. Compare la información que publican las empresas del mismo campo. Asegúrese de que los líderes de la compañía ven claramente su industria. Si parecen estar inmersos en la disonancia cognitiva, podrían no conocer la realidad de su mercado. Cuando investigue una empresa, enfóquese en información específica y asuntos críticos, para que no lo sature la empresa con datos no deseados e irrelevantes. Determine cómo tomaron decisiones sus líderes y piense a fondo sus razonamientos.
Cómo mejorar sus análisis y modelos para desarrollar un mejor razonamiento
En los complicados mercados de hoy, los inversionistas necesitan más que nunca modelos de toma de decisiones. Pero los modelos pueden agregar complejidad, ya que debe asegurarse de que su modelo sea preciso y confiable. Haga un trazado que conecte sus asuntos críticos con las predicciones de su modelo. Su meta es equilibrar mayor precisión con menor complejidad. Para crear precisión, separe los problemas difíciles en pequeñas partes. En modelos más sencillos, puede trazar causas y efectos. A veces se enfrentará con “uno a muchos” modelos, en los que cambiar una simple causa altera efectos múltiples, y con “relaciones de muchas a una”, en las que se cruzan causas múltiples para producir un resultado. Asegúrese de que su modelo trace las relaciones adecuadas. Incluya cualquier “retroalimentación positiva” en la que los cambios en un factor alteren otro factor, que a su vez vuelve y cambia al primero. Cada vez que introduce una suposición sobre algún componente de su modelo, le añade complejidad. Eso crea discrepancias en las que puede entrar la parcialidad de un analista y tener un efecto.
“El enfoque de libro de texto supone que quienes toman decisiones tienen tiempo para recopilar y evaluar información, pero en el mundo real, las cosas se pescan al vuelo”.
Los “modelos Monte Carlo” ofrecen un conjunto específico de atractivas posibilidades y peligrosos inconvenientes. Cuando establezca un modelo Monte Carlo, en vez de hacer una suposición específica sobre un asunto, como cuál será la tasa de pérdidas de una compañía en una categoría específica de préstamos, calcule “miles o millones de ramas” de un árbol de probabilidad al trazar sus “suposiciones como variables aleatorias”. El modelado Monte Carlo puede ayudarlo a administrar predicciones complejas. Los expertos lo han usado para muchos propósitos, desde encontrar barcos hundidos hasta crear películas de animación, resolver problemas de química, y calcular el impacto probable de casos legales en ciertas acciones o industrias. La Marina de EE.UU. encontró el SS Central America, que se hundió en 1857, al trazar sus más probables localizaciones con un esquema Monte Carlo. El inconveniente del modelado Monte Carlo es que genera tantos escenarios que la gente puede descuidar el análisis de la interacción de las “fuerzas causales existentes”. Esto es riesgoso, ya que la gente quiere “variables causales” tanto, que ve patrones de causa-efecto inexistentes. Para evitar esto, y para fortalecer su uso de modelos Monte Carlo, digamos, en una decisión de inversión, investigue todas las industrias similares. Examine los asuntos en contexto, rastreando influencias externas como la política. Para compensar lo desconocido, haga preguntas del tipo “que tal si” sobre posibilidades específicas. Observe cómo cambian los patrones con el tiempo y siga su intuición.
“A veces llegamos a decisiones precisas en un destello intuitivo; a veces nuestros instintos están irreparablemente defectuosos. Algunas respuestas surgen de una investigación intensa y un análisis sofisticado; otras veces este enfoque también falla”.
No importa qué herramientas use; no puede resolver todos los problemas. En algunos casos debe hacer razonamientos. Tradicionalmente, esto significa evaluar toda la evidencia antes de decidir. A menudo la gente trata de reducir el razonamiento a un algoritmo, como en las inversiones de valores, que intenta establecer decisiones de inversión como “un conjunto de de reglas simples”. Esto puede ser valioso, pero los algoritmos siempre omiten algo. No toman en cuenta la reflexión, así que los inversionistas de valores podrían no adaptar sus reglas para que correspondan a la realidad cambiante. Llegar a un buen razonamiento implica un ciclo complejo. Se recopila información, se analiza y se toma una decisión. Luego se evalúa el resultado, lo que produce nuevos datos. Al mismo tiempo, sus competidores están analizando su propia información y haciendo sus propias decisiones. Esto cambia la situación que está evaluando y el resultado de sus decisiones, así que debe comenzar el proceso de nuevo. El razonamiento opera recursivamente: Debe utilizar sus herramientas analíticas para el proceso usado para tomar decisiones. Si su proceso no produce respuestas que funcionen, cámbielo.